（1）［cA，cD］=dwt（X，‘wname’）
（2）［cA，cD］=dwt（X，Lo_D，Hi_D）
说明：该函数用于进行一维离散小波分解，X为被分析的离散信号，wname为分解所用到的波函数，Lo_D，Hi_D为分解滤波器，cA和cD分别为返回的低频系数和高频系数向量，它们长度相等且为：length（X）/2（当length（X）为偶数时）或（length（X）+1）/2（当length（X）为奇数时）。
如果令lx=length（X），lf=length（Lo_R），则有length（cA）=length（cD）=floor（lx+lf-2）/2）
［例6-15］load noissin；%装载原始一维信号
s=noissin（1：1000）；
%画出原始信号的波形
subplot（411）；plot（s）；
title（‘原始信号’）；
%下面用haar小波函数进行一维离散小波变换
［cal，cdl］=dwt（s，‘haar’）；
subplot（4，2，3）；plot（cdl）；
Ylabel（‘haar（cal）’）；
Subplot（4，2，4）；plot（cdl）；
%给定一个小波db2，计算与之相关的分解滤波器
［Lo_D，Hi_D］=wfilters（‘db2’，‘d’）；
%用分解滤波器Lo_D，Hi_D计算信号s的离散小波分解系数
［ca2，cd2］=dwt（s，Lo_D，Hi_D）；
subplot（4，2，5）；plot（ca2）；
Ylabel（‘db2（ca2）’）；subplot（4，2，6）；plot（cd2）；
Ylabel（‘db2（cd2）’）；
n是采样点数，u是DWT后的小波系数的个数，r是啥意思？加速度响应数据与r有啥关系？还有,一个小波基应该对应一组小波系数，而不是一个，你的文献里也是这样的。
如果采用mallat算法的DWT系数的个数会随阶次的增大而以2的幂次减少，而且是得到逼近和细节的两种小波系数。你的文章中不知是否是通常意义的DWT（即使用mallat算法的DWT，可得到细节和逼近系数并可重构），还是只是二进离散小波变换（即没有使用mallat算法的DWT，只能和CWT类似得到小波系数不可重构）。
小波神经网络是基于小波分析理论所构造的一种分层的、多分辨率的新型人工神经网络.选择合适的小波基和分解尺度对西湖水体Chl a进行小波分析,将原序列分解成一个低频概貌分量和多个高频细节分量,再通过BP网络建立西湖叶绿素a浓度短期预测模型Ⅰ和模型Ⅱ.模型Ⅰ将小波分析去除高频细节信息后的低频概貌部分作为输入变量预测Chl a含量
